GraphRAG适用场景 vs 传统RAG 有哪些?
知识图谱场景下GraphRAG的核心优势与适用条件分析
原题：在哪些应用场景下更适合使用GraphRAG而非传统RAG？GraphRAG相比传统基于向量检索的RAG有哪些核心优势和适用条件？
知识图谱 · 腾讯真题
回答与解析
核心差异
传统RAG基于向量相似度，将知识压缩为稠密向量，擅长语义匹配但丢失显式关系；GraphRAG基于知识图谱，保留实体-关系-实体的结构化连接。
更适合GraphRAG的场景
| 场景 | 原因 |
|---|---|
| 复杂多跳问答 | 如"某药物通过哪些靶点影响某疾病"，需跨文档追踪因果链 |
| 关系密集型查询 | 组织架构、供应链、社交网络等强关联场景 |
| 可解释性要求高 | 金融风控、医疗诊断需展示推理路径 |
| 全局聚合分析 | 如"总结某领域所有公司的合作关系"，需图遍历而非片段拼接 |
| 动态演化知识 | 时序关系、版本变更等需显式建模 |
三大核心优势
多跳推理能力
向量RAG受限于上下文窗口，GraphRAG通过图遍历自然支持3-5跳推理，如"公司A→投资方B→被投公司C→产品D"。关系可解释性
返回结果附带显式关系路径（如[药物X]-抑制-[蛋白Y]-关联-[疾病Z]），满足合规审计需求。全局语义聚合
微软GraphRAG的"社区摘要"机制：先聚类图社区生成摘要，再回答全局问题，避免向量检索的局部碎片化。
适用条件
- 数据侧：已有结构化知识或可从非结构化文本抽取实体关系（NER+RE pipeline成熟）
- 查询侧：问题涉及"为什么""如何关联"而非单纯"是什么"
- 成本侧：可接受图谱构建的一次性成本（实体对齐、关系消歧），换取查询时的精准度
工程参考：微软开源GraphRAG（2024），采用"索引时构建社区摘要+查询时多层级检索"的架构。
学习建议
掌握知识图谱基础，理解RAG架构演进，重点学习GraphRAG的实体关系建模与多跳推理机制。
口语版讲法(约4分钟)
- 这道题问的是什么时候该上GraphRAG，本质是结构化知识vs语义匹配的边界划分
- 先讲最适合GraphRAG的场景：多跳推理和关系密集型查询，举企业合规的例子
- 再讲核心优势：可解释的推理路径和全局聚合，但前提是数据质量够
- 最后落地风险和取舍：图谱构建成本高，实际常和传统RAG混用
这道题其实是在问，什么时候应该放弃纯向量检索的灵活，转向更结构化的知识表示。我的理解是，GraphRAG和传统RAG没有谁取代谁，它们各自有最适合的领地。真正落地的时候，我往往会看数据本身有没有天然的图结构，以及查询是不是涉及多跳关系。如果只是搜个产品描述，传统RAG就够了；但如果问题是'某药物通过哪些靶点影响某疾病'，那向量检索很难跨文档把因果链串起来，这时候GraphRAG就自然得多。
具体说一下。我最先想到的场景是复杂多跳问答。比如在企业合规场景里，一条SOP说'退款超过1000元需要主管审批'，另一条说'主管审批后还需法务复核'，用户问'我退款1500元，流程该怎么走'。传统RAG可能分别召回两条文档，但很难自动组合成完整路径。GraphRAG把实体和关系显式建模，图遍历一次就能拿到'退款→超1000元→主管审批→法务复核'这条链，结果天然是结构化的。再一个场景是关系密集型查询，比如组织架构、供应链。问'这个零件供应商的供应商是谁'，向量检索很难表达这种两层关系，但图里一条边就搞定了。
GraphRAG相比传统RAG，核心优势我觉得有两个。第一是可解释的推理路径。在金融风控或者医疗诊断里，你不能只给一个答案，还要展示推理过程。GraphRAG返回结果可以附带'实体A→关系B→实体C'这样的路径，审计合规的时候很有用。第二是全局聚合能力，比如问'总结我们公司所有供应商的分布'，传统RAG会零散地返回各个供应商片段，而GraphRAG可以通过社区摘要先聚类再回答，结果更完整。
但是，GraphRAG有很严的使用前提。数据层面，要么已经有结构化知识，要么能从非结构化文本里高质量地抽取实体关系。如果NER和Relation Extraction pipeline不准，图谱里一堆噪音，那查询结果反而更差。我见过一个失败案例，团队硬把一堆杂乱的文档抽成图，结果实体对齐一团糟，同一个公司名出现好几个节点，关系也连错，最后召回效果还不如直接向量检索。所以上线前我会特别关注实体消歧和关系置信度，宁可少抽一些，也别抽错。
落地的时候，我一般不会二选一，而是把GraphRAG和传统RAG混合。简单查询走向量检索，复杂多跳走图查询，然后合并结果。成本上，图谱构建是一次性投入，换来查询时的精准度和可解释性，但如果数据变化快，维护图结构的成本会很高。
说到混合，其实还有一个有意思的点：GraphRAG的社区摘要生成本身依赖LLM，这又引入了Hallucination风险。如果摘要总结不准确，全局查询就会出错。所以我在设计时，会对社区摘要做一层Faithfulness校验，用事实一致性检查过滤掉幻觉内容，再返回给用户。
所以总的来说，我会把GraphRAG看成传统RAG的一个强力补充，而不是替代。它特别适合那些'为什么'和'如何关联'的问题，但前提是数据质量够硬，并且你愿意承担前期建模的投入。如果只是简单问答，我倾向于先用传统RAG快速上线，等遇到多跳瓶颈再引入图结构。
关键一句:GraphRAG的社区摘要生成本身依赖LLM，存在Hallucination风险，需要做Faithfulness校验。
面试官还可能这样问
- 问法 1 · 场景切入
假设你在做一个企业风控系统，用户问‘某公司最近投资了哪些医药领域的初创？’传统RAG可能只找到几篇相关文档，但你能把投资关系、公司-领域关联都显式画出来吗？什么时候你会觉得非用图不可？
- 问法 2 · 层层追问
你用过RAG吧？那如果用户问‘A药物通过什么机制影响B疾病’，你觉得当前RAG能答好吗？……如果不行，你觉得瓶颈在哪？……那如果我把实体关系全部建成图，你觉得能改善什么？
- 问法 3 · 直球架构
请你对比GraphRAG和传统向量RAG，说清楚GraphRAG的核心优势是什么？在哪些场景下你会优先选它？另外，它的适用条件有哪些？